Resumen

Con el continuo desarrollo y la amplia aplicación de la tecnología de inteligencia artificial, la tecnología de redes neuronales artificiales ha comenzado a utilizarse en el campo de la identificación de fraudes. Entre ellas, la red neuronal de cuantificación vectorial de aprendizaje (LVQ) es la más utilizada en el campo de la identificación de fraudes, y la tasa de identificación de fraudes es relativamente alta. En este contexto, este artículo explora en profundidad esta tecnología de redes neuronales, utiliza la misma muestra de fraude para probar la tasa de reconocimiento de fraudes de estos dos modelos, y propone un modelo de reconocimiento de riesgo de fraude optimizado basado en la red neuronal combinada LVQ sobre esta base. Este documento selecciona 550 empresas que cotizan en bolsa y que han cometido fraude de 2015 a 2019 como las muestras de fraude, determina 550 empresas de muestra de coincidencia de no fraude de acuerdo con el principio de Beasley uno a uno, y lo utiliza como la muestra de investigación. Los indicadores de identificación del riesgo de fraude con mejores efectos de identificación peinados de acuerdo con la literatura se utilizaron como el sistema de indicadores inicial. Tras eliminar el problema de colinealidad mediante la prueba T de muestras pareadas y el análisis de componentes principales, se seleccionaron finalmente los cinco indicadores con mejores efectos de identificación. Por último, basándose en el análisis teórico anterior y en la investigación empírica que resume el texto completo, se analizan las deficiencias de esta investigación y se plantean perspectivas para el desarrollo futuro de los modelos de identificación del riesgo de fraude.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:identificación del riesgo de fraude, tecnología de redes neuronales, campo del fraude, muestra de fraude, identificación del fraude, tecnología de inteligencia artificial, fraude de redes neuronales, tasa de identificación del fraude, tasa de reconocimiento del fraude, mejores efectos de identificación
• Keywords:fraud risk identification, neural network technology, field of fraud, fraud sample, fraud identification, artificial intelligence technology, neural network fraud, fraud identification rate, fraud recognition rate, best identification effects